Biodiversità nel Piemonte Nord Occidentale¶

In questo notebook ci proponiamo di analizzare la biodiversità nel Piemonte Nord Occidentale (in particolare in alcune aree protette delle province di Novara e Verbania) prendendo in considerazione diverse fonti di dati:

  • INaturalist: un'applicazione per la raccolta di osservazioni di piante e animali da citizen scientist
  • GBIF: il Global Biodiversity Information Facility, un'organizzazione internazionale che fornisce dati sulla biodiversità a livello globale
  • MapOfLife: un database di distribuzione geografica di specie animali
  • I dati forniti dalla regione piemonte

Il notebook è un'occasione per raccogliere riferimenti ai dati disponibili sull'argomento e per condurre un'analisi geospaziale con le librerie pandas, geopandas, matplotlib e dei report accattivanti con plotly.

La mappa iniziale della regione di studio¶

Creiamo una mappa di base della regione di studio su cui aggiungeremo i dati di biodiversità.

Cominciamo caricando i limiti amministrativi delle province del piemonte scaricando il relativo shapefile dal geo-portale del piemonte.

Per il caricamento del file utilizziamo la libreria geopandas.

In [ ]:
%pip install matplotlib

Requirement already satisfied: matplotlib in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (3.9.0)
Requirement already satisfied: contourpy>=1.0.1 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (1.2.1)
Requirement already satisfied: cycler>=0.10 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (4.53.0)
Requirement already satisfied: kiwisolver>=1.3.1 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (1.4.5)
Requirement already satisfied: numpy>=1.23 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (1.26.4)
Requirement already satisfied: packaging>=20.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (24.0)
Requirement already satisfied: pillow>=8 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (10.3.0)
Requirement already satisfied: pyparsing>=2.3.1 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (3.1.2)
Requirement already satisfied: python-dateutil>=2.7 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from matplotlib) (2.9.0.post0)
Requirement already satisfied: six>=1.5 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from python-dateutil>=2.7->matplotlib) (1.16.0)
Note: you may need to restart the kernel to use updated packages.

[notice] A new release of pip is available: 24.0 -> 24.1.2
[notice] To update, run: C:\Users\EMASINDYS\AppData\Local\Microsoft\WindowsApps\PythonSoftwareFoundation.Python.3.11_qbz5n2kfra8p0\python.exe -m pip install --upgrade pip
In [ ]:
%pip install geopandas

Requirement already satisfied: geopandas in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (1.0.1)
Requirement already satisfied: numpy>=1.22 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from geopandas) (1.26.4)
Requirement already satisfied: pyogrio>=0.7.2 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from geopandas) (0.9.0)
Requirement already satisfied: packaging in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from geopandas) (24.0)
Requirement already satisfied: pandas>=1.4.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from geopandas) (2.2.2)
Requirement already satisfied: pyproj>=3.3.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from geopandas) (3.6.1)
Requirement already satisfied: shapely>=2.0.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from geopandas) (2.0.5)
Requirement already satisfied: python-dateutil>=2.8.2 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pandas>=1.4.0->geopandas) (2.9.0.post0)
Requirement already satisfied: pytz>=2020.1 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pandas>=1.4.0->geopandas) (2024.1)
Requirement already satisfied: tzdata>=2022.7 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pandas>=1.4.0->geopandas) (2024.1)
Requirement already satisfied: certifi in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pyogrio>=0.7.2->geopandas) (2024.6.2)
Requirement already satisfied: six>=1.5 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from python-dateutil>=2.8.2->pandas>=1.4.0->geopandas) (1.16.0)
Note: you may need to restart the kernel to use updated packages.

[notice] A new release of pip is available: 24.0 -> 24.1.2
[notice] To update, run: C:\Users\EMASINDYS\AppData\Local\Microsoft\WindowsApps\PythonSoftwareFoundation.Python.3.11_qbz5n2kfra8p0\python.exe -m pip install --upgrade pip

Limiti amministrativi¶

In [ ]:
import geopandas as gpd
province_shp_path = '../datasets/AMBITI_AMMINISTRATIVI_PROVINCE/Ambiti_Amministrativi-Province.shp'
province_gdf = gpd.read_file(province_shp_path)
province_gdf.plot()
Out[ ]:
<Axes: >
No description has been provided for this image

Visualizziamo i dati per capire come sono strutturati.

In [ ]:
province_gdf.head()
Out[ ]:
oid uuid data_acq data_agg data_fine ente_for ente_prod modo_prod sc_acq cod_prov cod_cm nome geometry
0 928967 e8ec6fee-57a1-47d7-8e9e-d4153b1265d2 2011-11-11 00:00:00 2011-11-11 00:00:00 None ISTAT None None None 003 None Novara POLYGON ((472160.52 5058083.535, 472177.489 50...
1 928972 05778688-d321-4014-ad4d-3f90da8fa5b4 2011-11-11 00:00:00 2011-11-11 00:00:00 None ISTAT None None None 103 None Verbania POLYGON ((453953.548 5076492.215, 453995.39 50...
2 928977 3f970a5b-d3ea-4a8b-8548-70a77a93c1e4 2011-11-11 00:00:00 2011-11-11 00:00:00 None ISTAT None None None 004 None Cuneo POLYGON ((329433.649 4932744.339, 329463.649 4...
3 928982 2ba34674-d7fd-4e0f-b92b-8b935a89ebe7 2011-11-11 00:00:00 2011-11-11 00:00:00 None ISTAT None None None 096 None Biella POLYGON ((412667.039 5042924.114, 412692.695 5...
4 928987 51056927-48d7-4905-81c6-bc90fd7dbecd 2011-11-11 00:00:00 2015-01-01 00:00:00 None ISTAT None None None None 201 Torino POLYGON ((313280.455 4997166.253, 313282.457 4...

e filtriamo quindi i confini delle province di Novara e del Verbano-Cusio-Ossola.

In [ ]:
piemonte_no_gdf = province_gdf[province_gdf['nome'].isin(['Novara', 'Verbania'])]
piemonte_no_gdf.plot(edgecolor='blue', facecolor='none')
Out[ ]:
<Axes: >
No description has been provided for this image

Aree protette¶

I limiti amministrativi ci forniscono un contorno di base a cui vogliamo aggiungere le aree protette. Scarichiamo dal portale della regione piemonte lo shapefile di tutte le aree protette.

In [ ]:
aree_protette_shp = '../datasets/parchi_wgs84/parchi_wgs84.shp'
aree_protette_gdf = gpd.read_file(aree_protette_shp)
aree_protette_gdf.plot()
Out[ ]:
<Axes: >
No description has been provided for this image

Vogliamo creare una funzione che ci fornisca una mappa di base a cui potremo aggiungere successivamente i dati di biodiversità come layer sovrapposti.

Per filtrare le aree protette che sono sono situate nelle province di Novara e Verbano-Cusio-Ossola eseguiremo un'intersezione geografica secondo la funzionalità di geopandas intersection.

Aggiungeremo inoltre i nomi delle aree protette come etichette sulla mappa, ma solo per quattro aree su cui ci concentreremo in particolare.

In [ ]:
# Filtra aree_protette_gdf che sono contenute in piemonte_no_gdf
aree_protette_piemonte_no_gdf = gpd.overlay(aree_protette_gdf, piemonte_no_gdf, how='intersection')
In [ ]:
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches

def plot_base_area():
    # esegui il plot delle aree_protette_piemonte_no_gdf e delle piemonte_no_gdf
    fig, ax = plt.subplots()
    fig.set_size_inches(16, 10)
    piemonte_no_gdf.plot(ax=ax, edgecolor='blue', facecolor='none')
    aree_protette_piemonte_no_gdf.plot(ax=ax, facecolor='green')

    # aggiungi la legenda
    green_patch = mpatches.Patch(color='green', label='Aree protette in Piemonte')
    blue_patch = mpatches.Patch(color='blue', label='Novara e Verbania')
    plt.legend(handles=[green_patch, blue_patch])

    # aggiungi nome_1 come etichetta ma solo per ("Parco naturale dell'Alta Valle Antrona","Parco naturale del Ticino","Parco naturale dell'Alpe Veglia e dell'Alpe Devero", "Parco Nazionale della Val Grande") 
    # per le aree protette e posiziona le etichette in modo che la geometria sia centrata rispetto all'etichetta
    for x, y, label in zip(aree_protette_piemonte_no_gdf.geometry.centroid.x, aree_protette_piemonte_no_gdf.geometry.centroid.y, aree_protette_piemonte_no_gdf['nome_1']):
        if label in ["Parco naturale dell'Alta Valle Antrona","Parco naturale del Ticino","Parco naturale dell'Alpe Veglia e dell'Alpe Devero", "Parco Nazionale della Val Grande"]:
            ax.text(x, y, label, fontsize=8, ha='center')

plot_base_area()
No description has been provided for this image

Le osservazioni di INaturalist¶

Come prima fonte di dati sulla biodiversità consideriamo le osservazioni di INaturalist.

iNaturalist è una comunità di naturalisti online che condividono informazioni sulla biodiversità. Gli utenti registrano osservazioni di piante, animali e funghi, contribuendo alla scienza e ricevendo aiuto per l’identificazione delle specie. L'app è accessibile su vari dispositivi e promuove la conoscenza della natura

Scarichiamo i dati relativi alle osservazioni fatte nella provincia di Verbania e in quella di Novara utilizzando la pagina di download dati di INaturalist.

Carichiamo i dati e visualizziamo le prime righe.

In [ ]:
import pandas as pd

osservazioni_verbania = pd.read_csv('../datasets/observations_verbania-464218.csv')
osservazioni_verbania.head()
Out[ ]:
created_at url image_url latitude longitude species_guess scientific_name common_name iconic_taxon_name taxon_id ... taxon_supertribe_name taxon_tribe_name taxon_subtribe_name taxon_genus_name taxon_genushybrid_name taxon_species_name taxon_hybrid_name taxon_subspecies_name taxon_variety_name taxon_form_name
0 2010-05-30 21:57:40 UTC http://www.inaturalist.org/observations/7346 https://inaturalist-open-data.s3.amazonaws.com... 46.061501 8.700657 Haubentaucher Podiceps cristatus Svasso maggiore Aves 4208.0 ... NaN NaN NaN Podiceps NaN Podiceps cristatus NaN NaN NaN NaN
1 2010-05-30 21:58:56 UTC http://www.inaturalist.org/observations/7347 https://inaturalist-open-data.s3.amazonaws.com... 46.064568 8.700614 Höckerschwan Cygnus olor Cigno reale Aves 6921.0 ... NaN NaN NaN Cygnus NaN Cygnus olor NaN NaN NaN NaN
2 2011-12-17 20:10:25 UTC http://www.inaturalist.org/observations/43617 https://static.inaturalist.org/photos/70741/me... 45.939720 8.493719 Tetragnatha nigrita Tetragnatha nigrita NaN Arachnida 121770.0 ... NaN NaN NaN Tetragnatha NaN Tetragnatha nigrita NaN NaN NaN NaN
3 2012-07-21 02:32:20 UTC http://www.inaturalist.org/observations/103908 https://inaturalist-open-data.s3.amazonaws.com... 46.061613 8.687550 Stag Beetle Lucanus cervus Cervo Volante Insecta 61749.0 ... NaN Lucanini NaN Lucanus NaN Lucanus cervus NaN NaN NaN NaN
4 2013-09-10 06:43:32 UTC http://www.inaturalist.org/observations/393367 https://inaturalist-open-data.s3.amazonaws.com... 45.840404 8.425468 Machilidae Machilinae NaN Insecta 367978.0 ... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN

5 rows × 32 columns

Gli shapefile, così come altri file geografici, utilizzano un sistema di riferimento spaziale per posizionare i dati sulla superficie terrestre. Per poter sovrapporre i dati di INaturalist sulla mappa di base, dobbiamo assicurarci che entrambi i file utilizzino lo stesso sistema di riferimento.

In [ ]:
# visualizza il crs di aree_protette_piemonte_no_gdf e piemonte_no_gdf
print(aree_protette_piemonte_no_gdf.crs)
print(piemonte_no_gdf.crs)

EPSG:32632
EPSG:32632
In [ ]:
# crea un GeoDataFrame a partire da osservazioni_verbania usando latitudine e longitudine come coordinate
from shapely.geometry import Point

geometry = [Point(xy) for xy in zip(osservazioni_verbania['longitude'], osservazioni_verbania['latitude'])]
osservazioni_verbania_gdf = gpd.GeoDataFrame(osservazioni_verbania, crs='EPSG:4326', geometry=geometry)

# converti il crs di osservazioni_verbania_gdf in `EPSG:32632`
osservazioni_verbania_gdf = osservazioni_verbania_gdf.to_crs('EPSG:32632')
In [ ]:
# crea una variabile osservazioni_veglia_devero_gdf che contiene solo le osservazioni di verbania_osservazioni_gdf che sono contenute in "Parco naturale dell'Alpe Veglia e dell'Alpe Devero"
osservazioni_veglia_devero_gdf = gpd.overlay(osservazioni_verbania_gdf, aree_protette_piemonte_no_gdf[aree_protette_piemonte_no_gdf['nome_1'] == "Parco naturale dell'Alpe Veglia e dell'Alpe Devero"], how='intersection')

# crea una variabile osservazioni_valgrande_gdf che contiene solo le osservazioni di verbania_osservazioni_gdf che sono contenute in "Parco Nazionale della Val Grande"
osservazioni_valgrande_gdf = gpd.overlay(osservazioni_verbania_gdf, aree_protette_piemonte_no_gdf[aree_protette_piemonte_no_gdf['nome_1'] == "Parco Nazionale della Val Grande"], how='intersection')

# crea una variabile osservazioni_valle_antrona_gdf che contiene solo le osservazioni di verbania_osservazioni_gdf che sono contenute in "Parco naturale dell'Alta Valle Antrona"
osservazioni_valle_antrona_gdf = gpd.overlay(osservazioni_verbania_gdf, aree_protette_piemonte_no_gdf[aree_protette_piemonte_no_gdf['nome_1'] == "Parco naturale dell'Alta Valle Antrona"], how='intersection')
In [ ]:
len(osservazioni_veglia_devero_gdf), len(osservazioni_valgrande_gdf), len(osservazioni_valle_antrona_gdf)
Out[ ]:
(1565, 2513, 1154)
In [ ]:
# Richiama la funzione originale plot_base_area()
plot_base_area()

# Aggiungi i layer osservazioni_veglia_devero_gdf, osservazioni_valgrande_gdf e osservazioni_valle_antrona_gdf
osservazioni_veglia_devero_gdf.plot(ax=plt.gca(), color='orange', markersize=4)
osservazioni_valgrande_gdf.plot(ax=plt.gca(), color='purple', markersize=4)
osservazioni_valle_antrona_gdf.plot(ax=plt.gca(), color='brown', markersize=4)

# Aggiorna la legenda per includere i nuovi layer
green_patch = mpatches.Patch(color='green', label='Aree protette in Piemonte')
blue_patch = mpatches.Patch(color='blue', label='Novara e Verbania')
orange_patch = mpatches.Patch(color='orange', label='Osservazioni a Veglia Devero')
purple_patch = mpatches.Patch(color='purple', label='Osservazioni a Valgrande')
brown_patch = mpatches.Patch(color='brown', label='Osservazioni a Valle Antrona')
plt.legend(handles=[green_patch, blue_patch, orange_patch, purple_patch, brown_patch])

plt.show()
No description has been provided for this image
In [ ]:
# mostra tutte le colonne di osservazioni_veglia_devero_gdf con il relativo numero di valori distinti
for col in osservazioni_veglia_devero_gdf.columns:
    print(f"{col}: {osservazioni_veglia_devero_gdf[col].nunique()}")

created_at: 1437
url: 1565
image_url: 1451
latitude: 1271
longitude: 1283
species_guess: 924
scientific_name: 620
common_name: 521
iconic_taxon_name: 11
taxon_id: 622
taxon_kingdom_name: 4
taxon_phylum_name: 8
taxon_subphylum_name: 7
taxon_superclass_name: 0
taxon_class_name: 20
taxon_subclass_name: 8
taxon_superorder_name: 5
taxon_order_name: 73
taxon_suborder_name: 31
taxon_superfamily_name: 46
taxon_family_name: 167
taxon_subfamily_name: 144
taxon_supertribe_name: 3
taxon_tribe_name: 171
taxon_subtribe_name: 49
taxon_genus_name: 369
taxon_genushybrid_name: 0
taxon_species_name: 489
taxon_hybrid_name: 1
taxon_subspecies_name: 24
taxon_variety_name: 2
taxon_form_name: 0
objectid: 1
inspire_id: 0
cod_euap: 1
cod_legge: 1
dentro: 1
nome_1: 1
nome_breve: 0
id_localit: 1
localita: 1
ente: 1
nome_ente: 1
tipol: 1
d_tipol: 1
tipo_ente: 1
d_tipo_ent: 1
patr: 1
d_patr: 1
mese_istit: 1
anno_istit: 1
mese_ultmo: 0
anno_ultmo: 0
sup_areapr: 1
sup_locali: 0
perim_loca: 0
url1: 0
url2: 1
codice: 1
url3: 1
url4: 1
tipo_geome: 1
schema: 1
note: 1
oid: 1
uuid: 1
data_acq: 1
data_agg: 1
data_fine: 0
ente_for: 1
ente_prod: 0
modo_prod: 0
sc_acq: 0
cod_prov: 1
cod_cm: 0
nome_2: 1
geometry: 1292

i dataframe con le osservazioni contengono per ciascuna osservazione la gerarchia tassonomica della specie osservata. Vogliamo visualizzare la distribuzione delle osservazioni per le diverse categorie tassonomiche nelle diverse aree protette filtrate. Iniziamo dal livello più alto, ovvero il regno.

In [ ]:
# mostra il numero di osservazioni diverse per taxon_kingdom_name in osservazioni_veglia_devero_gdf
print(f"osservazioni_veglia_devero_gdf: {osservazioni_veglia_devero_gdf['taxon_kingdom_name'].value_counts()}")

# mostra il numero di osservazioni diverse per taxon_class_name in osservazioni_valgrande_gdf
print(f"osservazioni_valgrande_gdf: {osservazioni_valgrande_gdf['taxon_kingdom_name'].value_counts()}")

# mostra il numero di osservazioni diverse per taxon_order_name in osservazioni_valle_antrona_gdf
print(f"osservazioni_valle_antrona_gdf: {osservazioni_valle_antrona_gdf['taxon_kingdom_name'].value_counts()}")

osservazioni_veglia_devero_gdf: taxon_kingdom_name
Animalia    1023
Plantae      505
Fungi         34
Protozoa       1
Name: count, dtype: int64
osservazioni_valgrande_gdf: taxon_kingdom_name
Animalia    1645
Plantae      803
Fungi         58
Name: count, dtype: int64
osservazioni_valle_antrona_gdf: taxon_kingdom_name
Animalia    579
Plantae     549
Fungi        25
Protozoa      1
Name: count, dtype: int64

Visualizzazione con plotly¶

Per una visualizzazione più interattiva e accattivante, utilizziamo la libreria plotly, e in particolare creiamo delle treemap per visualizzare la distribuzione delle osservazioni per le diverse categorie tassonomiche.

In [ ]:
%pip install plotly_express

Requirement already satisfied: plotly_express in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (0.4.1)
Requirement already satisfied: pandas>=0.20.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly_express) (2.2.2)
Requirement already satisfied: plotly>=4.1.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly_express) (5.23.0)
Requirement already satisfied: statsmodels>=0.9.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly_express) (0.14.2)
Requirement already satisfied: scipy>=0.18 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly_express) (1.13.1)
Requirement already satisfied: patsy>=0.5 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly_express) (0.5.6)
Requirement already satisfied: numpy>=1.11 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly_express) (1.26.4)
Requirement already satisfied: python-dateutil>=2.8.2 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pandas>=0.20.0->plotly_express) (2.9.0.post0)
Requirement already satisfied: pytz>=2020.1 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pandas>=0.20.0->plotly_express) (2024.1)
Requirement already satisfied: tzdata>=2022.7 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from pandas>=0.20.0->plotly_express) (2024.1)
Requirement already satisfied: six in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from patsy>=0.5->plotly_express) (1.16.0)
Requirement already satisfied: tenacity>=6.2.0 in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly>=4.1.0->plotly_express) (8.5.0)
Requirement already satisfied: packaging in c:\users\emasindys\appdata\local\packages\pythonsoftwarefoundation.python.3.11_qbz5n2kfra8p0\localcache\local-packages\python311\site-packages (from plotly>=4.1.0->plotly_express) (24.0)
Note: you may need to restart the kernel to use updated packages.

[notice] A new release of pip is available: 24.0 -> 24.1.2
[notice] To update, run: C:\Users\EMASINDYS\AppData\Local\Microsoft\WindowsApps\PythonSoftwareFoundation.Python.3.11_qbz5n2kfra8p0\python.exe -m pip install --upgrade pip

Per poter creare la treemap è necessario filtrare i dati in cui il taxon_species_name, che costituisce la foglia dell'albero, è diverso da null.

In [ ]:
# filtrare le righe con valori mancanti per la colonna taxon_species_name
osservazioni_veglia_devero_gdf_subset = osservazioni_veglia_devero_gdf.dropna(subset=['taxon_species_name'])
osservazioni_valgrande_gdf_subset = osservazioni_valgrande_gdf.dropna(subset=['taxon_species_name'])
osservazioni_valle_antrona_gdf_subset = osservazioni_valle_antrona_gdf.dropna(subset=['taxon_species_name'])

Verifichiamo quanti dati sono stati filtrati e creiamo le treemap.

In [ ]:
# mostra il numero di osservazioni diverse per taxon_kingdom_name in osservazioni_veglia_devero_gdf
print(f"osservazioni_veglia_devero_gdf_subset: {osservazioni_veglia_devero_gdf_subset['taxon_kingdom_name'].value_counts()}")

# mostra il numero di osservazioni diverse per taxon_class_name in osservazioni_valgrande_gdf
print(f"osservazioni_valgrande_gdf_subset: {osservazioni_valgrande_gdf_subset['taxon_kingdom_name'].value_counts()}")

# mostra il numero di osservazioni diverse per taxon_order_name in osservazioni_valle_antrona_gdf
print(f"osservazioni_valle_antrona_gdf_subset: {osservazioni_valle_antrona_gdf_subset['taxon_kingdom_name'].value_counts()}")

osservazioni_veglia_devero_gdf_subset: taxon_kingdom_name
Animalia    902
Plantae     470
Fungi        26
Protozoa      1
Name: count, dtype: int64
osservazioni_valgrande_gdf_subset: taxon_kingdom_name
Animalia    1428
Plantae      611
Fungi         42
Name: count, dtype: int64
osservazioni_valle_antrona_gdf_subset: taxon_kingdom_name
Animalia    506
Plantae     456
Fungi        16
Name: count, dtype: int64

TreeMap delle osservazioni nel Parco Naturale Veglia Devero¶

In [ ]:
import plotly.io as pio
pio.renderers.default='notebook'
In [ ]:
import plotly.express as px

# create a treemap plot using plotly express with the data in osservazioni_veglia_devero_gdf_subset
fig = px.treemap(osservazioni_veglia_devero_gdf_subset, path=['taxon_kingdom_name','taxon_phylum_name','taxon_class_name','taxon_order_name','taxon_family_name','taxon_genus_name','taxon_species_name'])
fig.show()

TreeMap delle osservazioni nel Parco Nazionale Val Grande¶

In [ ]:
# create a treemap plot using plotly express with the data in osservazioni_valgrande_gdf_subset
fig = px.treemap(osservazioni_valgrande_gdf_subset, path=['taxon_kingdom_name','taxon_phylum_name','taxon_class_name','taxon_order_name','taxon_family_name','taxon_genus_name','taxon_species_name'])
fig.show()

TreeMap delle osservazioni nel Parco Naturale dell'Alta Valle Antrona¶

In [ ]:
# create a treemap plot using plotly express with the data in osservazioni_valle_antrona_gdf_subset
fig = px.treemap(osservazioni_valle_antrona_gdf_subset, path=['taxon_kingdom_name','taxon_phylum_name','taxon_class_name','taxon_order_name','taxon_family_name','taxon_genus_name','taxon_species_name'])
fig.show()
In [ ]:
from PIL import Image
import requests
from io import BytesIO
import matplotlib.pyplot as plt
%matplotlib inline

# crea un widget per filtrare i dati in osservazioni_veglia_devero_gdf_subset in base a taxon_kingdom_name
import ipywidgets as widgets
from ipywidgets import interact

@interact(taxon_kingdom_name=osservazioni_veglia_devero_gdf_subset['taxon_kingdom_name'].unique())
def filter_data(taxon_kingdom_name='Animalia'):
    filtered_data = osservazioni_veglia_devero_gdf_subset[osservazioni_veglia_devero_gdf_subset['taxon_kingdom_name'] == taxon_kingdom_name]
    # filtra ulteriormente i dati che hanno la colonna image_url non vuota
    filtered_data = filtered_data.dropna(subset=['image_url'])

    plt.figure(figsize=(24, 12))
    # crea una tabella di 10 immagini casuali in base ai dati filtrati e alla colonna image_url
    if len(filtered_data) > 0:
        for i, url in enumerate(filtered_data.sample(10)['image_url']):
            response = requests.get(url)
            img = Image.open(BytesIO(response.content))

            plt.subplot(2, 5, i + 1)
            plt.imshow(img)
            plt.axis('off')
        plt.show()
    

interactive(children=(Dropdown(description='taxon_kingdom_name', options=('Animalia', 'Plantae', 'Fungi', 'Pro…